论文摘要
植被覆盖度（Percentage Vegetation Cover,PVC）是影响生态系统变化的重要参数,已被广泛应用于荒漠化的监测和评价。因此,快速准确地估算荒漠化区域的植被覆盖度具有重要意义。遥感是获得区域及全球植被覆盖最主要的手段之一。但是由于荒漠化区域植被稀疏、人口稀少,实测数据的收集较为困难,植被覆盖度的估算有一定的挑战性,需要进一步比较分析植被覆盖度遥感反演方法在荒漠化区域的适用性。论文以内蒙古多伦县为研究区,2016年8月的Landsat 8遥感影像作为数据源,结合分层系统抽样得到的920个30m×30m的外业样地数据,采用回归模型、非参数模型和混合像元分解模型对研究区的植被覆盖度进行反演。回归模型和非参数模型提取了单波段信息、植被指数和纹理因子共255个建模因子,与植被覆盖度进行相关性分析,选用线性逐步回归和方差膨胀因子法进行因子筛选,最终确定SR435、SR23、1/B1、SR42、DVI56作为线性逐步回归（Linear Stepwise Regression,LSR）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和径向基函数神经网络（Radical Basis Function Neural Network,RBFNN）的建模因子。与此同时,研究将像元与端元的光谱空间距离及改进的最近邻法（k-Nearest Neighbors,kNN）运用到混合像元分解中,并采用欧氏平方距离对提取的各端元的纯净像元进行提纯,提出了 3种新的非线性混合像元分解算法,即基于欧氏平方距离的非线性混合像元分解（Nonlinear Spectral Unmixing based on Squared Euclidean Distance,NLSU-SED）、基于加权kNN的非线性混合像元分解（Nonlinear Spectral Unmixing based on Weighted kNN,NLSU-WkNN）和基于优化加权kNN的非线性混合像元分解（Nonlinear Spectral Unmixing based on Optimized Weighted kNN,NLSU-OWkNN）。将上述3种非线性混合像元分解方法所得结果与线性混合像元分解模型（Linear Spectral Unmixing,LSU）以及回归模型和非参数模型结果进行比较和成本效益评价分析,最终获得适合荒漠化区域的植被覆盖度遥感反演方法。研究主要结论如下:（1）在回归模型和非参数模型中,研究区植被覆盖度反演效果最好的是随机森林模型。随机森林估算植被覆盖度的精度最高,为78.6%,并且估计值均在合理的范围内。线性逐步回归、支持向量机和径向基函数神经网络模型的植被覆盖度估算精度与随机森林模型结果相当,但是估计结果出现了小于0或大于1的不合理估计值。（2）欧氏平方距离提纯端元可以提高线性混合像元分解的精度。端元提纯使LSU估算植被覆盖度的精度从56.8%提高到了 67.6%,且一定程度上改善了低估的现象,使估算的植被覆盖度更接近于实地测量值。（3）研究提出的3种非线性混合像元分解模型改善了线性混合像元分解模型的低估现象,得到了更高的估算精度。非线性混合像元分解模型中精度最高的是NLSU-SED,接下来分别是NLSU-OWkNN、NLSU-WkNN,相比于提纯后的LSU,精度分别从67.6%提高到了77.1%,72.5%和67.9%。同时,NLSU-SED和NLSU-OWkNN估算的研究区植被覆盖度均值在样地实测植被覆盖度均值的置信区间内。（4）从成本效益的角度考虑,NLSU-SED模型是荒漠化区域植被覆盖度的最优模型。虽然随机森林估算植被覆盖度的精度最高,但是其需要大量的样地数据,成本效益要低于不需要样地数据建模的NLSU-SED。由于荒漠化区域特殊的自然环境条件,要同时考虑到精度和成本。因此,NLSU-SED更适合荒漠化区域的植被覆盖度反演。
论文目录
文章来源
类型: 硕士论文
作者: 崔云蕾
导师: 王广兴,孙华
关键词: 植被覆盖度反演,随机森林,端元提纯,影像
来源: 中南林业科技大学
年度: 2019
分类: 基础科学
专业: 生物学
单位: 中南林业科技大学
基金: 国家林业局荒漠化和沙化监测专题项目:基于遥感影像和少量地面数据的京津风沙源区年度荒漠化趋势监测模型(20169899)
分类号: Q948
总页数: 71
文件大小: 5885K
下载量: 229